你把一张软件报错截图交给 AI，希望它看懂界面、找出问题，再调用工具处理。只会读文字的模型做不到这件事；能看图但不能进入 Agent 工作流的模型，也只能停在“描述图片”。8 月 31 日，DeepSeek 在 Hugging Face 开源 DeepSeek-V4-Flash-Vision-Exp，把图片理解接入其 V4 系列的 Agent 工作流。这里的 Agent，指能围绕目标读取信息、调用工具并分步骤执行任务的 AI 系统。这次值得关注的重点，不只是模型“会看图”，而是它从云端可调用走向了可下载部署。
需要先收窄标题里的“V4 开源”：目前开放的是 V4 系列首个实验性视觉模型，不是整个 V4 系列或正式版 V4 的全面开源。现有报道的发布与性能信息又主要来自 DeepSeek 官方资料，下面涉及能力和榜单的数字，均应视为官方口径，而非第三方复测。
从 API 走到开发者自己的机器上
我们此前报道过，这个模型已在 8 月 21 日上线 DeepSeek API 平台。当时开发者可以通过云端接口调用它，却还拿不到开源权重或完整技术报告。开源权重就是模型训练后形成的大量参数；开放这些参数，意味着开发者可以自行下载、部署、检查或继续适配，而不必把所有请求交给官方服务器。
据 IT之家转述的公开信息，本次采用 MIT License，并提供模型文件、Tokenizer、Prompt Encoding 参考实现和最小化 PyTorch 推理实现。Tokenizer 是把文字切成模型可处理单位的工具；Prompt Encoding 则负责把指令整理成模型能读取的输入形式。MIT 是限制较少的许可证，通常允许使用、修改和商业再分发，但要保留版权及许可声明。
模型支持 JPEG、PNG、GIF 和 WebP 图片，可用于图片描述、截图文字识别和图表分析。它属于多模态模型——也就是能在同一项任务里处理文字、图片等不同形式的信息。DeepSeek 给它加上了“Exp”标记，表示它仍是开放测试中的实验版，接口、效果和稳定性都可能变化。
它强在“看见之后还能做事”
据智东西转述的官方基准测试，V4-Flash-Vision-Exp 相比 V4-Flash-0731，在七项纯文本智能体任务中取得“五胜一平一负”。官方还称，它在真实软件工程测试 DeepSWE 中得到 59.3%，超过 Opus-4.8；在工具调用测试 Toolathlon-Verified 中得到 75.9%，落后后者 0.3 个百分点。
这些结果不能简单概括成“全面击败 Opus-4.8”。在 NL2Repo 和 DSBench-Hard 两项测试中，官方数据仍显示它与 Opus-4.8 有约 10% 的差距，而且材料没有说明这里指百分点还是相对比例。另一方面，它在 ZeroBench 的 Pass@5 指标和 Agents’ Last Exam 中排名高于 Opus-4.8。Pass@5 可以直观理解为：允许模型尝试五次，看其中是否至少有一次答对。
因此，更稳妥的判断是：它在部分视觉推理和 Agent 测试中表现突出，但不同任务之间仍有明显起伏。DeepSeek 官方的整体表述也更克制：模型在 Agent、推理和世界知识等纯文本任务上与 V4-Flash 正式版持平，多模态 Agent 能力接近 Opus-4.8。
真正改变的是开放范围
这次发布把竞争从“谁提供一个可调用的视觉 API”，推进到“谁允许开发者把模型带回自己的环境”。对需要读取内部截图、图表或软件界面的团队来说，自行部署意味着更多控制权，也更方便围绕具体工作流继续适配。
DeepSeek 在一个月内连续推进 V4 系列：7 月 31 日开放 V4-Flash 正式版 API 公测，8 月 13 日发布 V4-Pro 正式版 API和 DeepSeek Harness v0.1 开发者预览版，8 月 19 日又把 Harness 更新至 v0.1.0-rc.8。到 8 月 31 日，视觉实验版补上了开放权重这一环。所谓“战局突变”，更适合作为产业评论：可以确认的是开放范围扩大了，至于它会怎样改变竞争，还要看真实部署与第三方评测。
局限与未知
- 现有材料没有完整技术报告，无法判断训练数据、视觉模块细节、运行成本和部署所需硬件。
- 榜单分数、名次及“五胜一平一负”均来自官方基准测试，材料未提供完整设置、样本量或第三方复测。
- “Exp”意味着它还不是成熟的生产版本；开源本身不能证明接口、效果与稳定性已经定型。